《摘自概率机器人》 上接马尔可夫定位
1. 预测步骤
\qquad
Σ
t
−
1
,
μ
t
−
1
\boldsymbol{\Sigma}_{t-1},\boldsymbol{\mu}_{t-1}
Σt−1,μt−1分别表示
t
−
1
t-1
t−1时刻的位置方差和期望,
Σ
‾
t
=
G
t
Σ
t
−
1
G
t
T
+
V
t
M
t
V
t
T
\boldsymbol{\overline{\Sigma}}_{t}=\boldsymbol{G}_{t}\boldsymbol{\Sigma}_{t-1}\boldsymbol{G}_{t}^{T}+\boldsymbol{V}_{t}\boldsymbol{M}_{t}\boldsymbol{V}_{t}^{T}
Σt=GtΣt−1GtT+VtMtVtT
\qquad
等式右端第一项
t
−
1
t-1
t−1时刻的位置方差到
t
t
t时刻的转换,第二项表示由控制噪声从控制空间映射到状态空间产生的运动噪声,所以第二项受到位移(线速度)和旋转(角速度) 噪声的影响。上图中
b
)
,
c
)
,
d
)
b),c),d)
b),c),d)分别表示高平移噪声、高旋转噪声和高平移、旋转噪声。
2. 测量预测
\qquad
该步骤为使用预测机器人位置和测量不确定性表示测量预测,预测位置和不确定性使用下图表示:
\qquad
预测不确定性使用
S
t
\boldsymbol{S}_{t}
St,由两个高斯函数卷积生成。
S
t
=
H
t
Σ
‾
t
H
t
T
+
Q
t
\boldsymbol{S}_{t}=\boldsymbol{H}_{t}\boldsymbol{\overline{\Sigma}_{t}\boldsymbol{H}_{t}^{T}}+\boldsymbol{Q}_{t}
St=HtΣtHtT+Qt
\qquad
上式第一项为由位置不确定性带来的不确定性,第二项为固有的测量噪声,
z
t
z_{t}
zt为实际测量值,
z
‾
t
\overline{z}_{t}
zt为预测测量值。更新向量为
z
t
−
z
‾
t
z_{t}-\overline{z}_{t}
zt−zt更新向量越短,测量值越可靠。
3. 估计更新
\qquad
计算卡尔曼滤波增益
K
t
K_{t}
Kt,按比例决定更新向量。更新算法如下:
\qquad
更新不确定椭圆
示例,如图所示机器人按照运动控制轨迹(虚线)和实际运动轨迹(实线)